Explainable AI for Agricultural Climate-Risk Prediction: A Systematic Review of Progress and Strategic Roadmap

يقف الإمداد الغذائي العالمي في توازن دقيق، يختبره باستمرار تقلبات المناخ. فالجفاف يمكن أن يذبل الحقول، والتربة المالحة يمكن أن تسمم الجذور، والطقس غير المستقر يمكن أن يحول حصاداً واعداً إلى خسارة. لعقود من الزمن، لجأ العلماء إلى أجهزة الكمبيوتر للتنبؤ بهذه المخاطر، باستخدام خوارزميات معقدة يمكنها رصد الأنماط في بيانات الطقس والتربة بسرعة تفوق أي إنسان. لقد أصبحت أنظمة الذكاء الاصطنا هذه بارعة للغاية في تخمين ما سيحدث لاحقاً، وغالباً بدقة تقارب الكمال. ومع ذلك، برزت مشكلة كبيرة: فبينما تستطيع هذه النماذج الحاسوبية التنبؤ بالمستقبل بدقة عالية، إلا أنها لا تستطيع شرح كيفية وصولها إلى استنتاجاتها. إنها تعمل مثل "صندوق مغلق"، تقدم نتيجة دون إظهار العمل الذي تم بداخلها. وبالنسبة للمزارعين وخبراء الزراعة الذين يتعين عليهم اتخاذ قرارات حياة أو موت بناءً على هذه التنبؤات، فإن هذا النقص في الشفافية يخلق جداراً من عدم الثقة. فإذا قال الكمبيوتر إن حقلاً ما سيفشل، ولكنه لم يستطع توضيح السبب، فلن يعرف المزارع ما إذا كان عليه تصديق التحذير أم تجاهله.

تتناول مراجعة منهجية جديدة، نُشرت في عام 2026 من قبل باحثين من كلية ماجان الجامعية، وجامعة ليكهيد، وجامعة أونتاريو التقنية، نظرة فاحصة على هذه الفجوة المتزاثبة. قام المؤلفون بجمع وتحليل عشرات الدراسات الحديثة التي حاولت حل مشكلة "الصندوق الأسود" هذه عن طريق إضافة طبقة من القابلية للتفسير إلى التنبؤات الزراعية. كان هدفهم هو معرفة ما إذا كانت التكنولوجيا قد نضجت بما يكفي لتكون موثوقة في العالم الحقيقي. تغطي المراجعة نافذة زمنية محددة من عام 2021 إلى 2026، وهي الفترة التي تحول فيها تركيز البحث بشكل حاد نحو جعل هذه النماذج مفهومة. فحص الباحثون كيف تتعامل هذه الأنظمة الجديدة مع خمس مجالات حيوية: التنبؤ بإنتاجية المحاصيل، والكشف عن ملوحة التربة، والتنبؤ بالجفاف، وتحديد أمراض النبات، وتقييم مخاطر المناخ العامة. ووجدوا أنه بينما وصلت نماذج التنبؤ الأساسية إلى مستويات مبهرة من الدقة، فإن الأساليب المستخدمة لتفسيرها غالباً ما تكون غير مستقرة، أو غير مكتملة، أو منفصلة عن البيولوجيا الفعلية للنباتات.

تكشف المراجعة أن أكثر نماذج التنبؤ نجاحاً اليوم لم تعد مجرد أدوات إحصائية بسيطة، بل هي شبكات عميقة ومعقدة تحاكي طريقة معالجة الدماغ البشري للمعلومات. وفي مجال إنتاجية المحاصيل، حققت هذه الأنظمة المتقدمة درجات دقة تصل إلى 0.975، مما يعني أنها تستطيع التنبؤ بأحجام الحصاد بدقة ملحوظة. وبالمثل، بالنسبة للكشف عن أمراض النبات، وصلت بعض النماذج إلى دقة 99.63%، حيث تحدد الأوراق المريضة من السليمة في كل مرة تقريباً. تعتمد هذه الأنظمة على بيانات مثل درجة الحرارة، والرطوبة، وجودة التربة، وصور الأقمار الصناعية للحقول. ومع ذلك، تسلط الدراسة الضوء على اتجاه مقلق: وهو أن التفسيرات المقدمة لهذه الدرجات العالية غالباً ما تكون مجرد فكرة لاحقة. معظم الباحثين يبنون نموذج تنبؤ قوياً أولاً، ثم يلحقون به أداة منفصلة لمحاولة تفسيره لاحقاً. هذا النهج يشبه بناء محرك سيارة ثم محاولة رسم خريطة لكيفية تدفق الوقود فقط بعد أن تكون السيارة قيد التشغيل بالفعل. ووجدت المراجعة أن هذه التفسيرات "اللاحقة" (post-hoc) غالباً ما تفشل في التقاط المنطق الحقيقي للنموذج، خاصة عند التعامل مع الواقع الفوضوي والمترابط للطقس والتربة.

أحد أكثر الأدوات شيوعاً لتفسير هذه النماذج هو أسلوب يسمى SHAP، والذي يحاول تفكيك التنبؤ لإظهار مدى مساهمة كل عامل، مثل هطول الأمطار أو حموضة التربة، في النتيجة النهائية. وجد الباحثون أن SHAP قوي رياضياً ومتسق، مما يجعله خياراً قوياً لفهم التفاعلات المعقدة في ملوحة التربة والإنتاجية. ومع ذلك، فهو بطيء جداً ويستهلك قدرات حوسبية كبيرة، ويتطلب طاقة هائلة للعمل على مجموعات البيانات الكبيرة. أما الأداة الأخرى الشهيرة، المعروفة باسم LIME، فهي أسرع وأسهل في الاستخدام، لكن المراجعة وجدت أنها غير مستقرة بشكل خطير. ولأن LIME تنشئ تقريباً محليًا ومبسطاً للنموذج، فإن التغييرات الصغيرة في البيانات يمكن أن تؤدي إلى تفسيرات مختلفة تماماً لنفس الموقف. هذا التضارب يجعلها غير موثوقة للمزارعين الذين يحتاجون لمعرفة السبب الدقيق وراء تعرض حقل معين للخطر. كما أشارت الدراسة إلى أن الأساليب القديمة، التي تنظر إلى كيفية تغير متغير واحد بمعزل عن غيره، غالباً ما تفشل في الزراعة لأن عوامل الطقس مرتبطة بعمق. فعلى سبيل المثال، لا يمكنك تغيير سرعة الرياح دون تغيير درجة الحرارة أو الرطوبة أيضاً، ومع ذلك تتعامل بعض أدوات التفسير معها كما لو كانت مستقلة، مما يؤدي إلى سيناريوهات مربكة أو مستحيلة.

كما كشفت المراجعة عن فجوة كبيرة في كيفية تعامل هذه الأنظمة مع حالة عدم اليقين. في العالم الحقيقي، لا يوجد تنبؤ مؤكد بنسبة 100%، ومع ذلك تقدم معظم النماذج الزراعية نتائجها كحقائق مطلقة. قد يُقال للمزارع إن إنتاجية حقله ستكون منخفضة، لكن النموذج لا يوضح مدى ثقته في هذا الرقم. ويشير الباحثون إلى أنه بدون مقياس واضح للثقة، مثل نطاق من النتائج المحتملة، قد يتخذ المزارعون قرارات محفوفة بالمخاطر بناءً على تخمين يعامله الكمبيوتر كيقين. وقد بدأت دراسات قليلة فقط، مثل تلك التي تركز على ملوحة التربة، في تضمين فترات الثقة هذه، مما يظهر الفرق بين تحذير عالي الخطورة وعالي اليقين، وبين تحذير قائم على التكهن. إن غياب هذه المعلومات في معظم الأبحاث الحالية يعني أن التكنولوجيا ليست جاهزة بعد للاستخدام الواسع النطاق في المهام عالية المخاطر.

وهناك قضية رئيسية أخرى حددتها المراجعة وهي "تأثير الصوامع" (silo effect)، حيث يدرس الباحثون الجفاف، والأمراض، والملوحة كما لو كانت مشكلات منفصلة. وفي الواقع، تتداخل هذه المخاطر مع بعضها البعض؛ فقد يدفع الجفاف المزارع لاستخدام مياه ري ذات جودة رديئة، مما يزيد بدوره من ملوحة التربة، والتي بدورها تجعل المحاصيل أكثر عرضة للأمراض. الجيل الحالي من نماذج الذكاء الاصطناعي القابلة للتفسير يفشل عموماً في إظهار هذه الروابط المتتالية. فقد تشرح لماذا النبات جاف أو لماذا التربة مالحة، لكنها نادراً ما تشرح كيف أدى أحد المشكلات إلى الآخر. هذا التجزؤ يحد من فائدة التكنولوجيا، لأنها لا تستطيع تقديم صورة كاملة لصحة المزرعة. علاوة على ذلك، لاحظت المراجة وجود انحياز قوي في الأبحاث، حيث تركز معظم الدراسات على مناطق في دول الشمال العالمي أو مناطق محددة وموثقة جيداً مثل دلتا النيل. والنماذج المطورة لهذه الأماكن غالباً لا تعمل بشكل جيد عند تطبيقها على محاصيل أو تربة أو مناخات مختلفة في أجزاء أخرى من العالم، وقد لا تكون التفسيرات التي تقدمها منطقية للمزارعين المحليين.

وبالنظر نحو المستقبل، يقترح المؤلفون خارطة طريق استراتيجية لنقل هذا المجال من المختبرات التجريبية إلى التطبيق في العالم الحقيقي. ويجادلون بأن الحل ليس مجرد إضافة أداة تفسير لاحقاً، بل تصميم النماذج منذ البداية مع وضع الشفافية في الاعتبار. هذا المفهوم، المسمى "التفسير بالتصميم" (Explainability-by-Design)، يعني بناء الذكاء الاصطناعي بحيث ينتج بطبيعته أسباباً واضحة ومنطقية لتنبؤاته، بدلاً من محاولة الهندسة العكسية لها لاحقاً. كما يدعو الباحثون إلى نهج موحد يحترم خصوصية البيانات، مما يسمح للمناطق المختلفة بمشاركة المعرفة دون مشاركة البيانات الخام الحساسة. والأهم من ذلك، يشددون على ضر أن يتم التحقق من أي تفسير من قبل خبراء بشريين، مثل المهندسين الزراعيين وعلماء أمراض النبات، لضمان أن الأسباب التي يقدمها الكمبيوتر تتطابق فعلياً مع الحقائق البيولوجية والفيزيائية للمزرعة. فإذا قال النموذج إن النبات مريض بسبب نمط معين من الضوء، يجب على الخبير البشري التأكد من أن هذا النمط هو علامة حقيقية على المرض وليس مجرد خلل في الكاميرا.

الهدف النهائي لهذا البحث هو جسر الفجوة بين التنبؤ عالي التقنية والثقة البشرية. وتخلص المراجعة إلى أنه بينما يمتلك الذكاء الاصطناعي القدرة على حماية الأمن الغذائي العالمي ضد تغير المناخ، فإنه لا يستطيع القيام بذلك حتى يصبح شريكاً يمكن للمزارعين فهمه. يجب أن تتجاوز التكنولوجيا مجرد كونها دقيقة لتصبح جديرة بالثقة. وهذا يعني تقديم ليس فقط تنبؤ، بل تفسير واضح وواثق وسليم علمياً للسبب الذي جعل هذا التنبؤ ممكناً. وحتى تتبنى هذه المجالات معايير التصميم والتحقق وتوصيل حالة عدم اليقين هذه، ستظل هذه الأدوات القوية حبيسة المختبرات، غير قادرة على مساعدة المزارعين الذين هم في أمس الحاجة إليها. إن الطريق إلى الأمام يتطلب تغييراً في العقلية، عبر معاملة القابلية للتفسير ليس كإضافة تقنية، بل كأساس لأي نظام يهدف إلى توجيه مستقبل الزراعة.